UNet语义分割多分类学习

今天学了下交叉熵，softmax，对激活函数和损失函数有了更深刻的理解，softmax可以使总的概率为1，并且放大差距，BCE和CE是不一样的，bce_LOSS要求loss数据维度大小一致，CE要求不一样，把编号放上去即可。

今天改pytorch的UNet好像loss降不下来，拿模型测试的结果很糟糕，明天在服务器上测试下keras版本的UNet看看，

Keras框架下的U-Net实现（可实现多类分割+代码） - Mage_Elusive的博客 - CSDN博客 https://blog.csdn.net/Mage_Elusive/article/details/83475849

2019.7.25

pytorch版本的跑了3000次，比之前的好，但效果依旧不行

网上的keras版本数据预处理有一些问题，训练时matplotlib读取灰度图的数据很奇怪，搞了半天，最后换成opencv读取就正常了。还有预测的时候数据预处理报了一些奇怪的错误，改完就好。
然而keras版本的跑了40次效果就远远好于pytorch的版本，看了一下，差别就是在在网络结构keras的卷积核少一点，优化器keras是adam而pytorch是SGD，还有数据预处理keras是标准化，训练RGB图片除以最大数再减去平均数。现在还不知道是网络问题还是数据预处理的问题